مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

18
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

پیش بینی شاخص کل بورس اوراق بهادار تهران بر اساس روند تغییرات درآمدهای نفتی ایران: تحلیل مدل های LSTM ساده، LSTM-Dense و رگرسیون خطی کلاسیک

صفحات

 صفحه شروع 118 | صفحه پایان 142

چکیده

 رسوخ نفت در تمام زوایای زندگی بشر, آن را به یک کالای حیاتی و ضروری تبدیل کرده است؛ به گونه ای که زندگی صنعتی امروز, بدون نفت قابل تصور نیست. هرگونه نوسانی در روند تقاضا, عرضه, قیمت و سایر متغیرهای مرتبط با این بخش, پیامدهای گسترده ای برای اقتصاد کشورهای تولیدکننده و مصرف کننده به همراه دارد و می تواند سبب بروز اختلالاتی در سیستم اقتصادی این کشورها گردد (غفاری, 1383). پیش بینی آینده در عرصه پویای اقتصاد و بازار سرمایه, یکی از مسائل مهم و همیشگی در میان پژوهشگران اقتصادی و علوم مالی بوده است. از مدت ها پیش, غیرخطی بودن داده های اقتصادی و مالی مشاهده شده است و بسیاری از محققان, محدودیت های مدل هایی را که صرفاً بر فرض خطی بودن روابط بنا شده اند, شناسایی کرده اند. در نتیجه, مسیر پژوهش ها به سوی توسعه مدل های دقیق تر, هوشمندتر و انعطاف پذیرتر هدایت شده است. بهره گیری از شبکه های یادگیری عمیق و الگوریتم های هوش مصنوعی در پیش بینی متغیرهای مالی, یکی از این راهکارهاست. تغییرات قیمت نفت خام به عنوان یکی از عوامل اصلی در نوسانات قیمت سهام شناخته شده و اقتصاددانان بر این باورند که نوسانات قیمت نفت بر برخی از مؤلفه های کلیدی مؤثر بر شاخص قیمت سهام اثر می گذارد. به عنوان نمونه, نتایج مطالعه (صمدی و همکاران, 1386) وجود ارتباط معنادار بین اکثر متغیرهای کلان اقتصادی و شاخص قیمت سهام را تأیید کرده است. از این رو می توان نتیجه گرفت که بورس اوراق بهادار تهران, مانند بسیاری از بورس های جهانی, از قیمت نفت تأثیر می پذیرد (سعیدی و امیری, 1389). این تأثیر به ویژه از آن جهت برجسته است که طبق آمار, صنایع پتروشیمی که مستقیماً از قیمت نفت تأثیر می گیرند, حدود 27 درصد از وزن شاخص بورس تهران را در اختیار دارند و نقشی کلیدی در جهت دهی به شاخص ایفا می کنند. برای پیش بینی شاخص های بازار و تحلیل روابط بین متغیرهای تأثیرگذار, مدل های گوناگونی مورد استفاده قرار گرفته اند. مدل های سنتی مانند رگرسیون خطی, «ARIMA» و «ARMA» (بوکس و جنکینز, 1970) علی رغم کاربرد گسترده, در پیش بینی برخی از سری های زمانی ناکارآمد بوده اند (لین, علی خان و هوانگ, 2002). در این میان, مدل های «ARCH و GARCH» نیز به کار گرفته شده اند (انگل, 1982؛ بولرسلو, 1986), اما پژوهش هایی مانند (صمدی, شیرانی فخر, داور زاده, 1385) و همچنین (فیلیس, دگیاناکسی و فلروس, 2011) و (آروری و نگوین, 2012) نشان داده اند که این مدل ها نیز در تحلیل برخی سری های مالی ناتوان هستند. یادگیری عمیق[1] شاخه ای از یادگیری ماشینی و مجموعه ای از الگوریتم هایی است که تلاش می کنند مفاهیم انتزاعی سطح بالا را با بهره گیری از یادگیری در سطوح و لایه های مختلف مدل سازی کنند. تحقیقات اخیر در زمینه ی شبکه های یادگیری عمیق نشان داده است که این شبکه ها ویژگی های لازم جهت کاربرد های مرتبط از قبیل درون یابی یکنواخت و غیرخطی, توانایی فراگیری سری های پیچیده غیر خطی و قابلیت سازگاری با توزیع های آماری مختلف را دارند. در مدلهای خطی سری زمانی همچون ARIMA, ARMA, MA, AR روش های متنوعی برای تخمین و شناسایی الگوهای گذشته وجود دارد که می توان به کمک آن ها مقادیر آتی سری زمانی را, صرفاً بر اساس مقادیر پیشین, پیش بینی کرد. با این حال, پیش بینی سری های زمانی که از ساختار غیرخطی پیروی می کنند, مستلزم بهره گیری از ابزارهای هوشمند و پیشرفته تری مانند شبکه های عصبی است. تاکنون از شبکه های عصبی در پیش بینی قیمت سهام استفاده شده است و نتایج حاصل, دقت بالاتر این روش نسبت به روش های سنتی را تأیید کرده اند (به طور مثال کتو و همکاران, 2012). با وجود کاربرد گسترده مدل های LSTM در تحلیل داده های مالی, تاکنون مطالعه ای مستقل که دقیقاً به مدل سازی درآمدهای نفتی ایران و تأثیر آن بر شاخص کل بورس اوراق بهادار تهران با استفاده از ساختارهای مختلف LSTM پرداخته باشد, کمتر دیده شده است. در این پژوهش تلاش شده است با مطالعه و تحلیل ساختار شبکه های LSTM, امکان بهره برداری از آن ها در پیش بینی سری های زمانی مورد بررسی و تحقیق قرار گیرد و در نهایت مدلی کارآمد برای پیش بینی شاخص کل بورس تهران بر اساس روند تغییرات درآمدهای نفتی ارائه گردد. در همین راستا, عملکرد مدل های مختلف LSTM با ساختارهای ساده و عمیق, و همچنین رگرسیون خطی به عنوان مدل پایه, مورد مقایسه قرار گرفته اند. ساختارهای پیشرفته LSTM, که از لایه های یادگیری عمیق تری برخوردار هستند, به دلیل توانایی بیشتر در شناسایی الگوهای پنهان, در بسیاری از موارد عملکرد دقیق تری نسبت به مدل های سنتی از ارائه داده اند. هرچند نتایج نشان می دهند که مدل های LSTM, به ویژه ساختارهای عمیق تر آن, در بسیاری از موارد توانسته اند روابط پنهان میان داده های اقتصادی را بهتر شناسایی کنند, اما در برخی بازه های زمانی کوتاه مدت عملکرد مدل های سنتی مانند رگرسیون نیز قابل قبول بوده است. بنابراین انتخاب مدل وابسته به ماهیت داده و افق پیش بینی خواهد بود.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button